使用抑郁症语音样本进行深度学习的诊断准确性:系统性审查和元分析
Lidan Liu1, Lu Liu1, Hatem A Wafa1
1Department of Population Health Sciences, School of Life Course and Population Sciences, Faculty of Life Sciences & Medicine, King's College London, London, SE1 1UL, United Kingdom.
概括
深度学习 (DL) 模型在从语音样本中检测抑郁症方面显示出有希望的准确性,手工制作的模型表现最好. 这次系统审查强调了DL的重点.
科学领域:
- 计算精神病学是一种计算精神病学.
- 医疗保健中的人工智能
- 语音信号处理 语音信号处理
背景情况:
- 抑郁症的诊断仍然具有挑战性,需要新的客观工具.
- 语音分析为评估心理健康提供了一种非侵入性的方法.
- 深度学习 (DL) 显示了分析复杂语音模式的潜力.
研究的目的:
- 系统地审查和元分析使用语音样本检测抑郁症的DL算法的诊断准确性.
- 评估聚合的绩效指标,包括准确性,敏感性和特异性.
主要方法:
- 在主要数据库 (PubMed,Embase,Scopus等) 进行系统的文献搜索. 在2024年1月31日之前.
- 包括25项研究,其中8项正在进行元分析.
- 随机效应模型用于聚合估计和QUADAS-2用于偏差评估.
主要成果:
- 对于DL抑郁症检测模型的综合诊断准确率为0.87 (95% CI,0.81-0.93).
- 聚合的灵敏度和特异性分别为0.82 (95% CI,0.71-0.94) 和0.85 (95% CI,0.78-0.91).
- 手工制作的模型实现了最高的0.89 (95% CI,0.81-0.97) 的聚合精度.
结论:
- 用于语音分析的DL是检测抑郁症的宝贵工具.
- 卷积神经网络 (CNN) 模型,特别是手工制作的声学特征,提高了诊断性能.
- 需要进一步的研究来探索超越CNN的多种DL算法.
